matplotlib输出图形到网页_pytorch使用matplotlib和tensorboard实现模型和训练的可视化...

pytorch构建和训练深度学习模型的过程中，往往需要能够直观的观测到可视化的过程，比如画出训练曲线等。

对于简单的曲线绘制可以使用matplotlib库做出基本的图，如果需要更加高级的可视化过程，pytorch有好几个工具都可以做到，比如tensorwatch，visdom，tensorboard，实测下来发现tensorboard用起来比较方便和成熟稳定。

（pytorch自从1.2版本依赖就正式支持了独立的tensorboard，不再需要去安装tensorboardX了）

本文通过简单线性模型训练来讲解如何使用这两种可视化方法。

安装依赖

这里用的pytorch1.5 cpu版本，需要额外安装matplotlib和tensorboard库

pip 

代码

引入模块

import 

准备数据

这里用一个简单的线性模型为例

# real parameter

输入两个特征值，输出一个结果

通过随机数构造批量特征值矩阵，并增加随机噪声

# prepare data

定义模型

根据输入输出维度构建一个简单的线性层

# define model

定义训练参数

lr 

通过matplotlib可视化

在训练过程中保存中间结果，然后用matplotlib画出损失曲线

# define draw

# train and visualize

结果如下

=== train begin ===
epoch 0: train loss 1.163743, test loss 1.123318
epoch 10: train loss 0.002227, test loss 0.001833
epoch 20: train loss 0.000107, test loss 0.000106
epoch 30: train loss 0.000101, test loss 0.000106
epoch 40: train loss 0.000100, test loss 0.000104
epoch 50: train loss 0.000101, test loss 0.000104
epoch 60: train loss 0.000100, test loss 0.000103
epoch 70: train loss 0.000101, test loss 0.000102
epoch 80: train loss 0.000100, test loss 0.000103
epoch 90: train loss 0.000103, test loss 0.000103
final epoch: train loss 0.000100, test loss 0.000102
plot curves
=== train end ===

查看一下训练后好的参数

print 

Parameter containing:
tensor([[ 1.9967, -3.3978]], requires_grad=True)
 
Parameter containing:
tensor([4.2014], requires_grad=True)

通过tensorboard可视化

启动tensorboard显示网页

先引入模块

# train with tensorboard

定义一个writer，记录的中间数据会落到对应的目录中去用于显示

writer 

此时用命令行启动tensorboard网页服务

tensorboard --logdir=runs

然后打开 http://localhost:6006/ 网页进入tensorboard主页面

模型可视化

tensorboard可以通过传入一个样本，写入graph到日志中，在网页上看到模型的结构

sample 

刷新网页即可看到

训练过程可视化

定义新的训练函数，在过程中写入对应的scalar数据，就可以由tensorboard绘制出曲线

# trian and record scalar

结果如下

=== train begin ===
epoch 0: train loss 0.928869, test loss 0.978139
epoch 10: train loss 0.000948, test loss 0.000902
epoch 20: train loss 0.000102, test loss 0.000104
epoch 30: train loss 0.000101, test loss 0.000105
epoch 40: train loss 0.000101, test loss 0.000102
epoch 50: train loss 0.000100, test loss 0.000103
epoch 60: train loss 0.000101, test loss 0.000105
epoch 70: train loss 0.000102, test loss 0.000103
epoch 80: train loss 0.000104, test loss 0.000110
epoch 90: train loss 0.000100, test loss 0.000103
final epoch: train loss 0.000101, test loss 0.000104
=== train end ===

刷新页面可以看到

更多高阶用法就有待于自己去摸索研究了

支持是知识分享的动力，有问题可扫码哦